[发明专利]基于三维卷积神经网络的肺结节检测方法

说明书

本发明涉及一种基于三维卷积神经网络的肺结节检测方法，采用了特征金字塔和注意力机制的网络结构，融合了低层高分辨率的特征和高层抽象特征，并使得网络集中注意于有目标的区域。采用了三维卷积神经网络的检测方法，端对端的进行肺结节检测，降低了时间开销，并且相较于传统的方法提高了结节检测的召回率和平均准确率。

技术领域

本发明属于医学图像处理技术领域，涉及一种在肺部切片数据中检测肺结节的方法，具体来说是一种基于三维卷积神经网络的肺结节检测方法。

背景技术

癌症一直严重威胁着人类的生命健康，其中，由肺癌引发的死亡在所有癌症发病及死亡中占首位。而肺癌的生存率与发现的时机很相关，肺癌中晚期时，治疗费用高且效果不佳。早期的肺癌大多数无明显症状，常常以肺结节形式表现。据报道，肺结节尽早地被发现并治疗，肺癌的生存率会提高很多。因此，尽早的对肺结节进行检测和诊断是提升患者生存几率的关键。

CT图像是医生诊断肺部疾病的主要依据。目前，大部分针对CT数据的计算机辅助系统均采用了2D的特征，如边缘形态，边缘周长等。但是在2D特征中，肺部的血管、支气管等组织与肺结节很相似，从而对结节的检测产生了影响。而CT数据本质上就有3D的结构，是由一系列切片构成的，并且在3D空间中肺结节的形状与球体相近，而血管和支气管等组织会呈现延伸的形态，有着明显的差异。因此，将3D特征应用在肺结节检测中已经是CT图像研究的主流。

近年来，随着大数据和人工智能的发展，深度学习的研究不断地深入，为图像处理的相关领域也带来了巨大的变革。医疗诊断也开始涉足这一领域，将大数据驱动的深度学习应用于肺结节诊断中，对于缓解医疗资源和医患矛盾等均具有重大的意义。深度神经网络可以从数据本身出发，主动学习到CT数据的抽象特征，比起手工提取的特征，可以更好的表征数据本身。也因此，基于卷积神经网络(CNN)的技术也成为了肺结节检测方法的主流。

传统的检测方法可以分为两步，第一步，寻找待分类的疑似结节区域，主要目的是尽可能地找出包含所有结节的疑似区域，主要采用一些阈值法，分割算法等完成；第二步是对疑似结节的区域进行筛选，主要是建立一个分类器，对上一步的区域进行特征提取，接着将特征输入分类器，由分类器鉴别是否是结节。基于深度学习的肺结节检测最常见的是两阶段的方法，首先对原始CT图像做候选检测，提取候选目标；其次对候选目标进行二分类，并进行位置的回归，如基于区域的卷积神经网络(Region-based Convolutional NeuralNetwork，RCNN)系列的算法。但是RCNN系列的方法训练比较耗时，为了满足肺结节检测系统的实时性和可用性，设计一个快速高效的肺结节检测方法便具有很现实的意义。

发明内容

要解决的技术问题

为了克服传统的基于2D手工特征的肺结节检测方法没有利用到CT数据本质是3D结构的性质，从而影响检测召回率的问题。本发明替代了传统的手工特征，采用深度神经网络从3D肺部CT数据中学习更为抽象的特征。针对于RCNN系列的两阶段训练耗时问题，本发明采用了一阶段的检测框架，提出了一种基于特征金字塔网络(Feature PyramidNetwork，FPN)和注意力机制(Attention)的网络结构。FPN的结构使得网络既采用了低层高分辨率的特征，也采用了高层的抽象特征，而低层高分辨率的特征对于检测小的肺结节很有帮助，高层的抽象特征对于检测直径大的结节有很好的帮助。注意力机制使得神经网络可以专注于输入中的特定部分，在肺结节检测中，可以使得神经网络对疑似结节的区域学习到更大的权重。将两者结合起来，将预处理过的CT数据输入定义好的网络结构中，输出检测到的结节位置、直径以及当前位置是结节的概率，计算出位置回归和类别的损失，利用误差的反向传播算法对整个网络的参数进行调整，这样就得到了一个具有高召回率和平均准确率的肺结节检测系统。

技术方案

一种基于三维卷积神经网络的肺结节检测方法，其特征在于步骤如下：

步骤1：对肺部CT数据进行预处理：